RSNA2018人工智能及分子影像在中樞神經(jīng)系統(tǒng)的研究進展

李詩卉，吳迪，周銥然，劉棟，蘇昌亮，朱文杰，姚義好，黃超，方紀成，朱文珍

人工智能

1 腦腫瘤

腫瘤突變負荷(tumor mutational burden，TMB)或超突變增加是癌細胞中DNA突變的過度積累。超突變的膠質(zhì)瘤大多數(shù)對烷基化治療具有抵抗性。Hassan等對101例原發(fā)性膠質(zhì)瘤患者(77非超突變：<30個突變；24個超突變：≥30個突變或<30個MMR基因或POLE / POLD基因突變)術(shù)前的常規(guī)MR圖像(FLAIR和T1增強)提取一階直方圖和灰度共生矩陣特征。LASSO正則化(alpha=1)使用所有4880特征進行特征選擇并且40個最突出的特征被用于邏輯回歸建模。ROC分析顯示符合率為94%、敏感度為75%、特異度為100%。表明MRI放射學表型可預測原發(fā)性和復發(fā)性膠質(zhì)瘤中TMB的增加，放射組學生物標志物可用于指導臨床免疫療法試驗患者選擇和治療。

Su等將220名膠質(zhì)瘤患者的傳統(tǒng)解剖、擴散和灌注加權(quán)包括10種對比度的圖像配準到T2FLAIR圖像上，提取出431個影像組學特征。采用偏相關分析探究影像組學特征與病理生物標記之間的相關性，并采用0.632+Bootstrap方法建立多變量預測模型。在單變量分析中，與腫瘤級別相關性最好的為T1增強(R=0.557)；與Ki-67相關性最好的是ADC(R=0.395)。在多變量分析中，所有影像組學特征的組合在預測膠質(zhì)瘤亞型和預測增殖中具有最高的曲線下面積(AUC)。區(qū)分低/高級別膠質(zhì)瘤的AUC為0.911，區(qū)分Ⅱ/Ⅲ級為0.896，Ⅱ/Ⅳ級為0.997，Ⅲ/Ⅳ級為0.881。在反映增殖水平時，整合多對比度建立的預測模型的AUC為0.936。多模態(tài)MRI影像組學能提供互補的信息，結(jié)合多模態(tài)影像組學能有效的預測膠質(zhì)瘤的級別和Ki-67水平，有利于患者的精準診療。

獲取85例腦膜瘤患者(低級別61例，高級別24例)T1增強、ADC及FA圖的腫瘤全體積參數(shù)，將紋理及形態(tài)特征與腫瘤分級和病理分型進行關聯(lián)分析。訓練支持向量機(support vector machine，SVM)以獲得腦膜瘤的分級診斷模型，并通過外部驗證集(低級別27例，高級別10例)驗證模型效能。研究發(fā)現(xiàn)多個形態(tài)及紋理參數(shù)與腦膜瘤的分級密切相關，在訓練集中分類器的AUC為0.905，在驗證集中為0.878。多個紋理參數(shù)在鑒別纖維型及非纖維型腦膜瘤方面均具有顯著性。T1增強、ADC圖及FA圖的紋理及形態(tài)特征分析在區(qū)分腦膜瘤等級方面具有輔助的診斷價值，有助于臨床治療方案選擇。

2.阿爾茨海默病(Alzheimer's disease，AD)

獲取198例AD病例和148例健康對照組(HC組)的高清3D T1圖像。其中148例AD和100例HC為訓練集，50例AD和50例HC為測試集。采用稀疏主成分分析法(sparse principal component analysis, SPCA)，根據(jù)AAL模板提取32個腦ROI的稀疏主成分(SPCs)，得到區(qū)間相關矩陣的32個 ROI的Yi值及16個特征性的與海馬具有高度相關性的ROI(r>0.3)。作為SVM的特征變量，Yi和17個ROIs(包含上面16個ROIs加海馬)的灰質(zhì)體積的分類符合率分別為0.84和0.82。海馬Yi值與海馬體積具有高度的相關性(r=0.963)。Yi與MMSE評分的相關性(r=0.586)遠大于體積(r=0.393)。通過SPCA聯(lián)合區(qū)間相關矩陣法對AD病例結(jié)構(gòu)MR圖像數(shù)據(jù)的分析，具有較高的診斷符合率。特征參數(shù)值Yi具有比AD患者海馬體積更高的診斷符合率。

Diao等選用ANDI數(shù)據(jù)庫中88例AD患者的3D T1MPRAGE圖像，并選取142例正常對照。用FreeSurfer軟件對皮層、皮層下及海馬進行分割，然后將數(shù)據(jù)導入SVM、隨機森林(Random forest,RF)及樸素貝葉斯三種不同機器學習算法進行訓練。每個病例均生成163個腦結(jié)構(gòu)特征，包含70個皮質(zhì)厚度特征，68個腦體積特征，10個腦室體積特征，15個海馬亞區(qū)特征。在AD的分類鑒別中，RF法具有最好的診斷符合率(95.7%)、敏感度(83.3%)、陽性預測值(PPV，100%)、特異度(100%)及陰性預測值(NPV，94.4%)。而SVM法及樸素貝葉斯算法具有較差的效能。相對于SVM及樸素貝葉斯算法，RF法具有更高的診斷價值。此外，機器學習在預測診斷AD中具有重要價值，可對更薄的皮層厚度及更小的海馬亞區(qū)進行鑒別診斷。

3.顱內(nèi)出血及骨折

Lee等使用169名標注了骨折及顱內(nèi)出血(intracranial hemorrhage，ICH)區(qū)域的患者數(shù)據(jù)對1785名健康受試者和2661例骨折或(及)ICH患者的CT圖像進行弱監(jiān)督訓練，并對卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)模型進行微調(diào)?；赩GGNet-16設計三維CNN架構(gòu)，在預測層之前進行全局平均化，以提取類激活映射。該研究建立的模型在檢測出血的符合率為87.7%、敏感度為87.7%、特異度為87.6%、PPV為91.5%、NPV為82.5%；骨折檢測的符合率為80.5%、敏感度為69.5%、特異度為87.8%、PPV為79.0%、NPV為81.3%。這種基于深度學習網(wǎng)絡的腦外傷急診患者全自動檢測系統(tǒng)有助于放射科和急診科的醫(yī)生減少診斷時間和人為錯誤。

Farris等利用內(nèi)部編寫的MATLAB腳本手動分割ICH病灶，用60個帶注釋的ICH病例訓練深度殘差卷積神經(jīng)網(wǎng)絡(DRCNN)，并用5個ICH病例進行驗證。然后用訓練后的DRCNN對30例ICH病例(其中許多病例包括不同類型的出血，共56次出血)和46例正常頭部CT病例進行測試也獲得了較好的結(jié)果。高閾值的DRCNN正確檢測到70%(39/56)ICH，包括0%(0/1)硬膜外出血(epidural hemorrhage,EDH)，60%(6/10)硬膜下出血(subdural hemorrhage,SDH)，50%(6/12)蛛網(wǎng)膜下腔出血(subarachnoid hemorrhage,SAH)，81%(17/21)腦實質(zhì)出血(intraparenchymal hemorrhage,IPH)和83%(10/12)腦室內(nèi)出血(intraventricular hemorrhage,IVH)。低閾值的DRCNN正確檢測到89%(50/56)ICH，包括100%(1/1)EDH，80%(8/10)SDH，83%(10/12)SAH，90%(19/21)IPH和100%(12/12)IVH。這種自動檢測的方法有可能在臨床上有助于對顱內(nèi)出血進行分類。

4.提高圖像質(zhì)量

在69～367 mAs之間的幾個劑量水平對Catphan體模重復掃描，并在40～400 mAs范圍內(nèi)對定制的頭部模型重復掃描。使用光子計數(shù)探測器在臺式CT系統(tǒng)上獲得兩個模型的原始CT數(shù)據(jù)。通過對所有重復掃描中的最高劑量水平的對數(shù)前投影求平均，然后進行濾波反投影(filter back projection,FBP)重建獲得每個體模的參考圖像。對于每個劑量水平和重建方法[FBP，傳統(tǒng)基于模型的迭代重建(Model based iterative reconstruction， MBIR)，優(yōu)化的MBIR]，通過從每個重復掃描的重建后的平均值中減去參考圖像來計算偏倚圖像。優(yōu)化的MBIR方法消除了Catphan體模中每個對比度和劑量水平的偏差并且在更復雜的頭部模型中顯示出可減少整個FOV的偏差。該方法通過修改數(shù)據(jù)加權(quán)方案來維持不同劑量水平的不同對比度的CT值的準確性。

獲取低計數(shù)PET和欠采樣MR可以縮短PET/MR掃描時間，但是，這也可能導致PET圖像噪聲增加和MR圖像產(chǎn)生偽影。Xu等開發(fā)了一個完全卷積編碼器--解碼器網(wǎng)絡，采用跳過連接和殘差學習策略來恢復高分辨率。對該模型用40名患者進行訓練，并對其他10名患者進行了評估。與低計數(shù)PET/欠采樣MR相比，所提出的聯(lián)合模型的峰值信噪比和結(jié)構(gòu)相似性指數(shù)均有所改善，分別為0.97/0.15 dB、0.006/0.0012。深度學習方法可以從低質(zhì)量的對應圖像重建高質(zhì)量的PET/MR圖像，從而縮短PET/MR的掃描時間。

Zhang等開發(fā)了基于深度學習的神經(jīng)網(wǎng)絡模型--多通道生成對抗網(wǎng)絡，用于處理原始多通道MRI數(shù)據(jù)。多通道生成對抗網(wǎng)絡具有兩個子網(wǎng)絡：一個學習欠采樣和完全采樣數(shù)據(jù)之間關系的生成網(wǎng)絡；一個可以證明生成的數(shù)據(jù)是否真實的鑒別網(wǎng)絡。整個模型由與MRI掃描儀上的射頻通道相同數(shù)量的基本網(wǎng)絡單元組成，用于并行MRI重建。訓練過程使用隨機梯度下降和反向傳播算法，多通道發(fā)生器網(wǎng)絡經(jīng)過訓練后用于圖像重建。經(jīng)訓練的模型可在不校準的情況下從欠采樣數(shù)據(jù)重建高質(zhì)量圖像，從而提供比傳統(tǒng)并行MRI更快的成像速度，縮短臨床MRI檢查程序，提高臨床MRI效能。

分子影像

1.PET-MR及PET-CT

基于MR的衰減校正對PET定量準確性的影響是PET/MR在腦研究中一個重要的部分。對30名受試者進行18F-FDG-PET/CT掃描，然后在GE Signa PET/MR上接受掃描。每個患者42 s的零回波時間(zero-echo-time，ZTE)序列來產(chǎn)生兩種衰減圖：一種基于標準ZTE分割的方法；另一種是該方法的優(yōu)化。 CT數(shù)據(jù)作為金標準。重建的PET圖像使用標準化的腦圖譜模版在68個興趣區(qū)進行定量測量。基于優(yōu)化模板的ZTE衰減校正的PET偏差與常規(guī)ZTE衰減校正偏差具有顯著差異。表明預先對ZTE數(shù)據(jù)和解剖模板進行配準在臨床實踐中是可行的，并且可以用于改善基于分割的衰減校正的性能。

Zhang等在325 ps DPC PET/CT(Philips Vereos)上對9例乳腺癌腦轉(zhuǎn)移患者進行18次低劑量[(3.1±0.2) mCi]腦FDG-PET掃描(0～75 min)，以評估化療前后患者的神經(jīng)代謝變化。采用三維有序子集最大期望值法(3D-OSEM)進行5組PET重建(10,5,2,1和0.5 min)。使用MIM Software和Brain Atlas Mapping創(chuàng)建的90個神經(jīng)解剖區(qū)域來進行配準和標準化。計算標準攝取值(SUV)和Z-Score。TOF-PET比非TOF-PET的表現(xiàn)出更好的圖像質(zhì)量和更好的細節(jié)。當掃描時間從10 min減少到1 min時，Z-score在TOF-PET中具有穩(wěn)健性(變化≤10%)。與目前的標準的FDG腦PET成像(10～13 mCi，10 min)相比，這種低劑量(3 mCi)腦PET掃描顯示出比非TOF更好的適應性，當掃描時間和劑量減少時可以獲得更好的掃描圖像質(zhì)量，通過卓越的TOF能力實現(xiàn)了更精確的大腦PET成像。

2.腦出血

為了探究ICH后鐵沉積與血腫周圍水腫的關系，對模擬自發(fā)性ICH的SD大鼠和正常大鼠在7.0T動物MRI上進行T2WI，DTI和T2*-mapping成像。DTI和T2*-mapping的掃描時間點是第1，3和7天。使用在ICH后3～6 h掃描的T2WI圖像來測量初始血腫。在ICH后1，3和7 d，ICH組同側(cè)的T2*值均顯著低于正常對照組，對側(cè)和正常組之間T2*值無顯著差異。在ICH后1 d，T2*異常體積與平均彌散度(mean diffusivity，MD)異常體積呈正相關(r=0.92)。表明DTI和T2*-mapping不僅可以用于診斷ICH后血腫和血腫周圍區(qū)域水腫和鐵超負荷沉積，還可以用于探究鐵沉積與血腫周圍水腫的關系。

另一方面，為了評估ICH后對皮質(zhì)脊髓束的影響，對ICH大鼠在第1，3，7，14，21和28天，于7.0T MRI上行DTI掃描。mNSS用于評估大鼠的神經(jīng)功能。ICH組同側(cè)腦干的FA值顯著低于正常對照(1，3，7，14和21 d)；ICH組1 d的同側(cè)腦干的MD值明顯高于對照組，28 d明顯低于對照組；ICH組中7 d和28 d的同側(cè)腦干的軸向彌散度(axial diffusivity，AD)顯著低于對照組；ICH組1 d和3 d同側(cè)腦干的徑向彌散度(radial diffusivity，RD)高于對照組，28 d低于對照組。 ICH組和和對照組在不同時間點的同側(cè)和對側(cè)錐體束的DTI參數(shù)無顯著差異。ICH組mNSS評分顯著高于對照組，且ICH組中1 d的mNSS評分顯著高于其他時間點。表明DTI有可能動態(tài)地監(jiān)測血腫對皮質(zhì)脊髓束的影響。

3.AD

為了闡明AD與胰島素抵抗之間潛在聯(lián)系，Lowe等將6個月的APP/PS1小鼠(n=6)和野生型(WT)同窩小鼠(n=6)分成兩組，一半喂食高脂肪飲食(HFD)，一半喂食常規(guī)飼料4個月。并在開始喂食后1、4個月進行胰島素耐量試驗。通過股靜脈推注125I-胰島素，并用SPECT/CT對每只小鼠成像。盡管HFD在WT和APP/PS1小鼠中均引起外周胰島素抵抗，但成像顯示這些小鼠胰島素水平是增加的。與之相反的是，對WT和APP/S1小鼠HFD組進行尸檢均觀察到較低的胰島素保留。與WT小鼠相比，APP/PS1小鼠表現(xiàn)出更明顯的外周胰島素抵抗和更低的腦胰島素保留，表明大腦對胰島素的耐受會引發(fā)“三型糖尿病”。胰島素分子成像是闡明AD與胰島素抵抗之間潛在聯(lián)系的一種前沿技術(shù)，能夠更好地了解胰島素的大腦動力學。

PET臨床上用于量化AD患者體內(nèi)的腦淀粉樣蛋白負荷，但需要使用淀粉樣蛋白特異性放射性示蹤劑，并且不能提供斑塊結(jié)構(gòu)的信息。Dahal等研究了小角度X射線散射(small-angle X-ray scattering,SAXS)成像用于人腦中淀粉樣斑塊的結(jié)構(gòu)表征和無對比劑的淀粉樣蛋白負荷的量化。使用FBP重建不同淀粉樣蛋白負荷的腦SAXS-CT圖像。淀粉樣蛋白原纖維顆粒的SAXS測量顯示出強烈的散射。SAXS能夠基于其散射特征檢測不含任何對比劑的淀粉樣斑塊。在具有植入淀粉樣斑塊的人頭部數(shù)字模型上進行的SAXS-CT模擬顯示可以實現(xiàn)小至2 mm的斑塊的檢測。該研究結(jié)果顯示了SAXS成像方法對人腦中淀粉樣斑塊成像的潛力，并能在不使用對比劑的情況下量化淀粉樣蛋白負荷。

4.腦腫瘤

腫瘤血管生成和腫瘤代謝物對于腦腫瘤患者的臨床是重要的。盡管沒有對比劑泄漏校正的rCBV是MR動態(tài)磁敏感對比灌注加權(quán)成像(dynamic susceptibility contrast perfusion-weighted imaging，DSC-PWI)中最廣泛使用的成像參數(shù)，但據(jù)報道具有對比劑泄漏校正的rCBV在評估腫瘤血液動力學方面具有更好的準確性。對65例腦腫瘤患者(包括高級別膠質(zhì)瘤、腦轉(zhuǎn)移瘤和腦淋巴瘤)的85次MR DSC-PWI和FDG-PET圖像進行分析。結(jié)果具有對比劑泄漏校正的rCBV(1.65±1.38)高于沒有對比劑泄漏校正的rCBV(1.02±0.876)。具有對比劑泄漏校正的rCBV與FDG-PET-TNR(r=0.618)比沒有對比劑泄漏校正的rCBV(r=0.436)具有更好的相關性。結(jié)合不同的MR-DSC-PWI和FDG-PET參數(shù)可以提供腫瘤血流動力學變化和腫瘤代謝異常的綜合信息。

5.炎癥成像

Masthoff等在9.4T小動物MRI上開發(fā)了單幀掃描時間為8 min 12 s的T2*WI梯度回波序列的時移MRI方案。電影由20次重復的圖像組成。在鐵羧葡胺(Resovist)標記的單核細胞上進行體模掃描。對健康和實驗性自身免疫性腦脊髓炎(experimental allergic encephalomyelitis,EAE)小鼠靜脈注射Resovist后24 h進行活體掃描。通過從標記細胞的不同位置獲得的合成k空間數(shù)據(jù)來模擬運動。模擬顯示可以檢測到移動速度達到1 μm/s的細胞。EAE小鼠與正常小鼠相比，觀察到體內(nèi)標記的免疫細胞數(shù)量顯著減少(253±29 vs 31±6)；在EAE小鼠中，在癥狀發(fā)作前(45±9)與癥狀發(fā)作后(21±4)也觀察到顯著差異。時移MRI能夠非侵入性地評估免疫細胞動力學，并且可以用作在臨床癥狀發(fā)作之前檢測或監(jiān)測炎癥反應。